量化選股策略：多模型集成量價Alpha策略.pdf

量化選股策略：多模型集成量價Alpha策略。隨著各家機構(gòu)量化因子庫的不斷完善，人工因子的挖掘逐漸遇到瓶頸。此外， 因子擁擠度提升和策略同質(zhì)化的現(xiàn)象導(dǎo)致傳統(tǒng)因子多頭收益率的降低。基于機 器學(xué)習(xí)的非線性模型用于因子挖掘的算法逐漸受到重視。本文將基于量價數(shù)據(jù) 和不同的模型探討機器學(xué)習(xí)生成 Alpha 因子的表現(xiàn)。

本文基于截面模型 MLP、GBDT 和時序模型 GRU 構(gòu)建因子生成模型。在引 入截面特征序列后截面模型與時序模型的因子學(xué)習(xí)能力基本處于同一水平。

引入 Attention 機制后 GRU 生成的因子表現(xiàn)沒有明顯提高。可能是由于模 型復(fù)雜度的提升，需要更多的樣本數(shù)據(jù)和訓(xùn)練輪數(shù)來學(xué)習(xí)量價特征。

基于 GBDT 的截面模型因子，在全 A 成分股內(nèi)，RankIC 為 10.66%，ICIR 為 1.14（未年化），分 20 組的多頭對沖年化收益率為 29.84%；基于 GRU 的時序模型因子在全 A 成分股中，RankIC 為 11.3%，ICIR 達(dá)到 1.06（未 年化），分 20 組的多頭對沖年化收益率為 28.83%

模型集成后的得到得集成因子相比于單個模型得到的因子表現(xiàn)提升較為明 顯。集成因子與常見因子的相關(guān)性整體較低。集成因子相比于單個模型的因 子 RankIC 提升到 11.9%，ICIR 達(dá)到 1.13（未年化），多頭收益率提高到 33.11%。